由多个单体电池串并联而成的电池组是当前大多数电动汽车唯一或主要的电能来源。电池的荷电状态（State of Charge,SOC）和健康状态（State of Health,SOH）是电池管理系统（Battery Management System,BMS）进行能量管理所需的关键参数。当前,准确估计电动汽车用锂电池的SOC和SOH,仍然面临电池精确建模困难、估计算法计算量大、估计结果准确性较差、电池老化特征获取成本高等一系列亟待解决的问题。针对以上问题,本文开展了车用锂电池状态参数估计方法的研究。论文的主要研究内容概括如下:1.面向状态参数估计的锂电池建模方法研究。准确的电池模型是基于模型的估计方法的重要前提,本文通过实验验证了四类典型的锂电池模型的精度和计算复杂度,并通过对实际电池在多个不同温度和电流倍率下的大量实验测试,分析了电池等效电路模型的参数变化特性,为锂电池状态参数估计应用中电池建模方法的选取提供了参考。针对锂电池的开路电压测量耗时较长的问题,本文提出了一种基于多次校正的锂电池开路电压快速估计方法。该方法所需的测量时长仅为常规方法（4h）的2.1%,能够快速获得接近实测开路电压值的估计结果。2.基于等效电路模型的锂电池SOC估计方法研究。通过实验验证了七种非线性滤波用于SOC估计的准确性和复杂度,为实际应用中估计方法的选取提供了参考。针对当前多种非线性滤波方法普遍计算量较大的问题,提出了一种基于双PI控制器的低复杂度锂电池SOC估计方法。该方法分别补偿了由不同误差引起的估计偏差,实验表明了其计算量仅为扩展卡尔曼滤波的30%,并且SOC估计误差小于1%。所提出的方法为在低成本BMS中实现锂电池SOC的准确估计提供了可能。3.基于数据与模型融合的锂电池SOC估计方法研究。针对基于模型的SOC估计方法准确性受限于模型精度的问题,本文提出了数据与模型融合的锂电池SOC估计框架。依据此框架,仅利用少量初始样本,即可建立适用于电动汽车复杂工况的电池模型。本文首先提出了一种基于最小二乘支持向量机和自适应无迹卡尔曼滤波的SOC估计方法。该方法通过移动加窗的方式,不断地主动更新模型,实现了在不同工况下平均绝对误差均小于1%的SOC估计。此外,为进一步提高数据与模型融合的估计方法的计算效率,本文提出了基于模型动态线性化的锂电池SOC估计方法。该方法通过偏最小二乘法,建立动态线性化的电池模型,将电池状态空间方程直接表示为单个变量,使得线性卡尔曼滤波能够用于锂电池的SOC估计。实验表明了所提方法的有效性。4.基于部分充电电压片段的锂电池SOH估计方法研究。针对电池SOH在线计算准确性较差、锂电池老化特征难以获取的问题,本文利用电动汽车充电过程相对固定单一的特点,提出了一种直接利用部分充电电压片段计算锂电池SOH的方法。为了提高该方法的估计准确性,本文使用网格搜索优化了单段充电电压片段的选取。为进一步增加该方法的可行性,采用NSGA-II（Non-dominated Sorting Genetic Algorithm II）算法,从测量复杂度和估计准确性两个方面,优化了两段充电电压片段的选取。通过对三块锂电池分别为期360天的加速日历老化测试,验证了所提方法的有效性。5.基于电流脉冲测试的锂电池SOH估计方法研究。为了提高老化特征的获取效率,提出了一种基于电流脉冲测试的锂电池SOH估计方法。通过使用脉冲电流进行测试,所提老化特征可以在锂电池充放电过程中快速获取。为建立更加高效的估计模型,本文提出了新型的锂电池SOH估计模型建立方式,利用遗传算法同步优化了获得估计模型的两个关键环节:老化特征的选取和支持向量机中超参数的设置。为了增强估计方法实际应用的灵活性,本文综合考虑了测试的复杂度和估计的准确性,使用NSGA-II算法优选了电流脉冲测试方案和支持向量机中的超参数。获得的多个非可支配解,为在电动汽车复杂多变工况中使用所提方法,提供了更多方式。通过对两块磷酸铁锂电池长达58周的加速循环老化测试,验证了所提方法的有效性。